人工神经网络在绝缘子表面污秽预测中的应用_湿度

论文导读:：利用人工气候实验室试验数据，提出了应用人工神经网络来预测绝缘子表面污秽程度的方法。这种方法利用人工神经网络建立了温度、湿度、工频泄漏电流和泄漏电流中三次谐波占基波的比例与等值附盐密度之间关系的模型，并用实验室数据进行了仿真实验。结果表明，这一方法可以比较准确的预测出绝缘子表面的污秽程度，为指导电力部门日益繁重的绝缘子清扫工作，乃至防止绝缘子污秽闪络问题提供了一种新的途径和思路。
论文关键词：绝缘子，污秽等级，人工神经网络，泄漏电流，温度，湿度，等值附盐密度
 

0前言

目前，测量绝缘子的等值附盐密度(ESDD)是检测高压绝缘子染污状况的主要手段。盐密大小与绝缘子受潮后的电气绝缘强度密切相关，可以作为划分绝缘子污秽等级、调整爬距和指导清扫的定量依据。但是，等值附盐密度的测量需要在停电状况下进行，这一方面降低了供电的可靠性，另一方面也缺乏实时性。而且随着电力系统的日益增大和电压等级的升高，清扫的工作量日益增大湿度，费用也相应的提高。按照传统方法进行的定期清扫，不能根据绝缘子的实际积污情况进行。这一方面无法及时对具有污闪可能的线路进行清扫，以达到防止污闪的目的；另一方面又做了大量的无用功，造成了人力和物力的极大浪费^[1,2]。

鉴于上述问题，有必要采用新的污秽度测量及判定方法，克服传统盐密测量方法的不足，并逐步替代^[3]。在参考相关文献的基础上，本文提出了用人工神经网络来预测基于泄漏电流、气象因素的绝缘子等值附盐密度(ESDD) ^[4,5]期刊网。通过实验室数据训练网络来预测绝缘子的等值盐密，得出预测值后，再与实测值对比，找出误差，改进网络以得到合适的输出。该方法在实验室验证成功后，可以应用于现场在线监测数据的处理，以达到指导清扫的目的。

1基于人工神经网络的污秽预测模型的建立

1.1 模型输入量的选取

绝缘子的泄漏电流与其表面的污秽程度和气象因素之间有着密切的关系^[6]，具体为：(1)在绝缘子表面洁净或污秽干燥的情况下湿度，绝缘子表面的泄漏电流以工频量为主，基本没有或只有一点谐波。(2)随着绝缘子表面污秽度的增加，泄漏电流中的工频量增加；泄漏电流中的三次谐波占基波的比例也会增加。 (3)随着空气中相对湿度的增加，漏电流中的工频量增加；同时，泄漏电流中的三次谐波占基波的比例也会增加，而且当有放电发生后，这种趋势更加明显。图1和图2是利用实验室数据得到的绝缘子泄漏电流中三次谐波分量占基波分量随着绝缘子表面污秽度和空气中相对湿度的增加而增加的趋势^[7]。

为了给人工神经网络预测绝缘子表面污秽程度时挑选气象要素输入量，文[8]引入了灰关联分析来量化染污绝缘子的泄漏电流与气候条件的关系.通过对北京供电公司输电公司所属的7条220kV线路的绝缘子在线监测数据的灰关联分析，得到的结论是：各气象因素（相对湿度、温度、温度变化率）对绝缘子表面的泄漏电流均有影响，而且相对湿度的影响最大。所以，在研究绝缘子泄漏电流与其表面污秽状况的对应关系时，在全面考虑各个气象因素的影响的同时，应着重考虑相对湿度的影响。

图1三次谐波占基波的比例随等值盐密的变化趋势

Fig.1Increasing tendency of the ratio of triple-harmonic in first-harmonic with ESDD

图2 三次谐波占基波的比例随相对湿度的变化趋势

Fig.2Increasing tendency of the ratio of triple-harmonic in first-harmonic with RH

根据以上分析以及实验室的条件，本文主要选取了泄漏电流的工频量，泄漏电流中三次谐波占基波的比例和相对湿度湿度，温度四个量作为人工神经网络的输入量。

1.2 模型的建立

神经网络的优势在于:模拟真实系统的唯一限制条件是实验数据而不是系统理论的解析，这也是建立该模型的目的所在。不需要了解各个输入因素与最终等值盐密之间的数学关系公式^[3]，图3给出了神经网络的模型示意图。输人层包含了漏电流的工频量，泄漏电流中三次谐波占基波的比例和相对湿度，温度4个节点，它们的输人将进人中间层(隐含层)，中间层的节点数和层数将通过模型的数据最优化来决定，输出层只有一个结果：ESDD的数学期望。期望值与实际等值盐密的差别反馈到网络中来调整连接权值。

输入层节点的输入为：

（1）

式中：O_i入节点的输出，这里是各个天气因素的值；net_j点的输入；W_ji点i节点j连接权值；N为输入节点的数目。

图3神经网络模型示意图

Fig.3ANN model diagrammatic sketch

除输入层处理单元外，其他各层的处理单元均为非线性输入/输出关系，采用的是S型函数（即Sigmoid函数）f(x)，即为下式：

（2）

式中：O_j为输出节点O的输出；θ_j为输出节点j的阀值。

连接权值的修改采用下式：

（3）

式中：η为增益因子；α为动量常量；p为1个输入节点的输出对象（节点）的总数；k为下一层的节点总数。

δ的值由两条途径决定：

(1) 在输出层：

（4）

t_pk是输出的真实值，这里是ESDD的实际值期刊网。

(2) 在中间层：

（5）

2污秽预测的实验结果

实验所建立的BP网络是基于MATLAB中的GUI建立。图形用户界面GUI (Graphical UserInterfaces)是 6.X版神经网络工具箱的新增功能,借助于GUI，可以比直接利用工具箱函数更快捷和方便的完成神经网络的设计与分析^[9]。

2.1 输入信息的归一化处理

本试验所用的训练数据和仿真数据均出自于试验室试验测定数值，一共75组。由于试验室无法真实模拟绝缘子实际工作环境湿度，同时考虑到试验的误差，排除了一些影响较小的因素，数据提取时也经过了一些必要的处理，去掉了20组误差较大的数据。在剩下的55 组数据中50组用于网络的训练，5组用于网络的验证。

为了统一量纲和防止因净输入的绝对值过大而使神经元输出饱和，继而使权值调整进入误差曲面的平坦区。BP神经网络的训练样本在输入网络之前要进行必要的归一化，也就是通过变换处理将网络的输入、输出数据限制在[0，1]或[-l，1]区间内。本文中采用的是函数premnmx来进行样本的标准化。

2.2 网络参数的选择

学习速率大小的选择，直接影响训练时间，当学习速率的选择不当，特别在严重时，将导致网络完全不能训练。一般来说要根据实验或经验来确定，还没有一个理论指导。若η选得太小，收敛可能很慢:若η选得太大湿度，可能出现麻痹现象。为了避免这种现象，通常会选择减少η，但又会增加网络的训练时间。动量项可以加快BP算法的学习速度，但选项的时候应当注意避免学习时产生振荡。

因此，本文在确定网络的学习速率和动量系数的时候，采用不同的值的组合，利用50组训练数据进行了若干次网络的迭代训练。最后的网络参数如表1所示。

表1 基于BP神经网络的绝缘子ESDD预测模型参数

Tab.1 Parameter ofinsulator ESDD prediction model based on BP

2.3 实验结果

 1/2    1 2 下一页 尾页